torch.randn(100)和np.random.rand(100)什么区别

`torch.randn(100)` 和 `np.random.rand(100)` 都是生成随机数的功能，但是它们分别来自于 PyTorch 和 NumPy 这两个常用的数据科学库。

1. **PyTorch** 中的 `torch.randn(100)` 会生成一个形状为 `(100,)` 的一维张量，其中包含的是均值为0、标准差为1的正态分布（也称高斯分布）随机数。张量是 PyTorch 的核心数据结构，适用于计算图（如深度学习模型），并且在GPU上可以高效地并行计算。

2. **NumPy** 的 `np.random.rand(100)` 则是生成一个同样形状为 `(100,)` 的数组，其元素也是均匀分布在 [0, 1] 区间内的随机浮点数。NumPy 的数组主要用于数值计算，并且与 Python 的其他部分紧密结合。

两者的主要区别在于：
- **数据类型**：`torch.randn` 默认生成的是双精度浮点型（torch.float64或torch.float32），而`np.random.rand`默认是 float 类型。
- **计算环境**：如果在需要构建神经网络或其他计算图的场景下，`torch.randn`更适合；对于纯粹的数组操作或数据分析，NumPy更为常见。
- **性能和扩展性**：在 GPU 上，`torch.randn`能利用硬件加速，而 `np.random.rand` 可能需要借助第三方库如 CuPy 来迁移到 GPU。

相关问题

翻译代码： def mutate(self, net): mutated_net = deepcopy(net) for param in mutated_net.parameters(): if np.random.rand() < self.mutation_rate: param.data += torch.randn(param.data.shape) return mutated_net

这段代码的功能是进行神经网络的变异操作。具体实现是：首先对神经网络进行深拷贝，得到一个变异后的网络；然后对变异后网络中的参数进行遍历，若随机生成的一个0到1之间的数小于设定的变异率，则对该参数进行变异操作；最后返回变异后的网络。

代码中的注释翻译如下：

# 定义变异方法，输入参数为神经网络net
def mutate(self, net):
    # 进行深拷贝，得到一个变异后的网络
    mutated_net = deepcopy(net)
    # 遍历变异后网络中的所有参数
    for param in mutated_net.parameters():
        # 若随机生成的0到1之间的数小于变异率
        if np.random.rand() < self.mutation_rate:
            # 对该参数进行变异操作，即加上一个随机数
            param.data += torch.randn(param.data.shape)
    # 返回变异后的网络
    return mutated_net

torch.cat和concatenate区别

### PyTorch `torch.cat` 与 NumPy `numpy.concatenate` 的差异

#### 数据类型支持
- **PyTorch**: 支持张量（tensor）类型的对象作为输入参数。这些张量可以存储在CPU或GPU上，并且能够自动求导用于反向传播计算[^1]。
- **NumPy**: 只能处理基于内存中的数组(array)，不具备像PyTorch那样内置的梯度机制来辅助机器学习模型训练。

#### 输入格式要求
- **PyTorch**:
- 接受元组形式的一系列相同形状的张量列表作为第一个参数；
- 需要指定沿着哪个维度(`dim`)来进行连接操作；例如，对于四维图像数据集而言，默认情况下会沿batch size方向即第0轴进行堆叠[^3]。

import torch 

tensors = (
    torch.randn(2, 3), 
    torch.randn(2, 3)
)

result_tensor = torch.cat(tensors, dim=0)  
print(result_tensor.shape) # 输出应为 (4, 3)

- **NumPy**:
- 同样接收一个由多个同构型态array组成的序列作为首参；
- 使用`axis`关键字指明在哪条线上执行串联动作。

import numpy as np  

arrays = [
    np.random.rand(2, 3),
    np.random.rand(2, 3)
]

result_array = np.concatenate(arrays, axis=0)
print(result_array.shape) # 结果应该是 (4, 3)

#### 设备兼容性
- **PyTorch**: 能够无缝切换CUDA设备上的运算资源，从而加速大规模矩阵运算过程。这意味着如果传入的是位于GPU上的张量，则整个拼接流程也会被迁移到相应的硬件环境中完成[^2]。
- **NumPy**: 所有计算均发生在主机端RAM之中，无法直接利用图形处理器带来的性能增益。

#### 维度约束
- 当使用这两个库做拼接时，除了所选维度外其他所有尺寸都需保持一致。比如当尝试将两个二维张量按照某一特定维度组合起来时，另一侧边界的长度应当相匹配[^4]。